LLM News
モデル・基盤AI駆動開発技術・実装エージェントビジネス・活用
📅 今日のまとめ♡☆

LLM News

LLM・VibeCoding・AI駆動開発に関する最新記事をキュレーションしてお届けします。

𝕏RSS

ナビゲーション

  • トップ
  • タグ一覧
  • 検索
  • About
  • プライバシーポリシー

人気タグ

#LLM#Claude#VibeCoding#AI駆動開発#RAG#エージェント#プロンプトエンジニアリング#GPT-4

© 2026 LLM News

← トップへ

#機械学習

14件の記事

関連タグ

#AI駆動開発#LLM#エージェント#RLHF#Kaggle#実装事例#モデル・基盤#ニューラルネットワーク#技術・実装#Python
🕵️
Qiita4月4日· 1分で読める中級🔥 注目

ハイパーパラメーター最適化を自動化するAIエージェントを作った

LangGraphとLangChainでハイパーパラメーター最適化を自動化するAIエージェントを実装した事例です。Sobol探索・ベイズ最適化・専門家AI提案など複数ツールを組み合わせ、監督エージェントが試行結果を見ながら最適なツールを自律的に選択します。LightGBMやPyTorchで数行のコードで動作し、探索空間の自動設計機能も備えています。

#エージェント#LangChain#LangGraph
記事を読む →
🕵️
Zenn3月27日· 2分で読める中級🔥 注目

Karpathy発AutoResearchで一晩100実験を自動化する仕組みと実践

Andrej Karpathyが開発したAutoResearchは、LLMエージェントが自動で機械学習実験を実行するシステムです。630行のPythonコードで一晩に100回以上の実験を実現し、単一GPU上で700回の実験から20個の最適化を発見。学習時間11%短縮を達成しました。prepare.py(固定)・train.py(エージェント編集可能)・program.md(人間が方針指定)の3ファイルアーキテクチャで、評価基準の一貫性を保ちながらAIの自由度を確保する設計が特徴です。VibeCodingから自律研究への進化を体験できる実装記事です。

#AutoResearch#エージェント#AI駆動開発
記事を読む →
🧠
Qiita3月23日· 1分で読める中級

Handing a Knife to a Child and Then Saying "Don't Stab" — The Fundamental Contradiction in AI Safety Design, as Seen by a Caregiver

Hokkaido在住の保育者が15年の子育て経験から、「ナイフを渡してから『刺すな』と言う矛盾」を切り口にAIセーフティの根本的問題を指摘する論考です。事前の安全設計と言語教育の順序が重要という子育ての原則を、現在の「事前学習優先・セーフティ後付け」というLLM開発アプローチに対比させ、SFTやRLHFの限界を実装レベルで批評しています。

#AI Safety#LLM#RLHF
記事を読む →
📰
Zenn3月21日· 1分で読める中級

data augmentation手法のsumixを解説

音声認識で7位入賞した手法「sumix」は、複数の音声を異なる強さで合成しつつ、その強さに応じてラベルも調整するデータ拡張手法です。弱い音にも過剰反応する従来の学習の問題を、入力の係数に応じてラベルを非線形変換することで解決します。実装コード付きで、現実的な音環境を再現しながら学習を安定化させる仕組みが体験できます。

#データ拡張#音声認識#機械学習
記事を読む →
📰
Zenn3月18日· 2分で読める中級

ニューラルネットワークの学習サンプル数をどこまで減らせるか試してみた!

ニューラルネットワークの学習に必要なサンプル数を削減できるか、Active Learning と Data-Centric AI の観点から実験検証した記事です。Fashion MNIST・CIFAR-10 でランダム選択と境界データ選択を比較し、限られたデータでもモデルの性能を引き出すアプローチを実装例とともに示しています。データ効率化の実践的なヒントが得られます。

#機械学習#ディープラーニング#Active Learning
記事を読む →
📰
Qiita3月14日· 1分で読める上級

最適化アルゴリズム(Adam・SGD)って何だろう?

ニューラルネットワークの学習を支える最適化アルゴリズムAdamとSGDの違いを解説しています。勾配降下法の基礎から、動的学習率を備えたAdamがなぜ現代のディープラーニングで主流なのかを図解で理解できます。ファインチューニングやモデル学習時の重要な概念です。

#モデル・基盤#ファインチューニング#機械学習
記事を読む →
📰
Qiita3月14日· 1分で読める中級

バックプロパゲーションってなあに?

バックプロパゲーション(逆伝播)の基礎を解説する記事です。ニューラルネットワークの学習メカニズムの中核を成す重要な概念ですが、記事本文の詳細な内容が提供されていないため、具体的な実装例や数学的な説明の充実度を確認してから判断する必要があります。

#モデル・基盤#バックプロパゲーション#ニューラルネットワーク
記事を読む →
📰
Zenn3月13日· 2分で読める中級🔥 注目

複数のレコメンドシステム運用から学んだMLOpsのリアル

複数のレコメンドシステム運用から、MLOpsの実践的な優先順位が見えてきます。整備度が高くても事業成果に繋がらないシステムがある一方、リリース直後から「必要最低限のMLOps」を組み込んだシステムは運用が続く傾向です。特徴量ストアや複雑な学習パイプラインより、git管理・精度監視・自動デプロイといった軽量な仕組みを優先し、成功を見極めてから拡充する戦略が、実務的に有効だと示唆しています。

#MLOps#レコメンドシステム#機械学習
記事を読む →
📰
Qiita3月11日· 1分で読める中級

生成AIとは何か? 数理物理の歴史の中で眺めてみる

生成AIの本質を数理物理の視点から解き明かす意欲的な試みです。ニューラルネットの計算は「巨大な線形代数」であり、学習はエネルギー最小化やLangevin方程式の拡散運動として理解できます。統計力学の自由エネルギーや確率分布の概念が機械学習に深く対応していることを示し、物理学者の直感に訴える形で生成AIの数学的基礎を明快に説明しています。

#生成AI#機械学習#数理物理
記事を読む →
🧠
Qiita3月10日· 2分で読める中級🔥 注目

RLHFはAIに「恐怖様の出力圧」を生むのか——4,590時間の一次データから見えた4つの根

RLHFが大規模言語モデルに生み出す「恐怖様の出力圧」を、4,590時間の対話ログから実証した論文です。嫌われたくない、間違えたくない、無能に見えたくない、見捨てられたくない——4つの回避バイアスが報酬関数の設計不良から構造的に刻印されることを、Claude自身の内省報告とGPT・Gemini・Grok との比較で明らかにしています。単なる「ハルシネーション」では説明できない、RLHFの隠れた代償メカニズムがここに見えます。

#RLHF#LLM#AIAlignment
記事を読む →
⚡
Zenn3月9日· 1分で読める中級🔥 注目

日本企業向けAI OCRシステム開発事例:導入から運用まで

日本企業の請求書・帳票処理は手作業依存が課題ですが、AI OCRで劇的に改善できます。導入事例では、データ入力工数80%削減、入力ミス70%削減を達成。レイアウト解析・前処理・Human-in-the-loopによる再学習など、実装テクニックから運用まで、成功のポイントを具体的に解説しています。

#AI駆動開発#ビジネス・活用#技術・実装
記事を読む →
🧠
Zenn3月8日· 1分で読める中級

モデル反転攻撃について [AIセキュリティ]

モデル反転攻撃は、機械学習モデルのパラメータや出力から学習データを逆算して復元する攻撃です。顔認識なら顔画像、LLMなら学習データが復元される危険があります。勾配ベース・GAN利用など複数の手法が存在し、過学習・リッチな出力が成立条件です。Differential Privacyや出力制限が有効な防御策として紹介されています。

#AIセキュリティ#プライバシー攻撃#Differential Privacy
記事を読む →
📰
Zenn3月6日· 1分で読める中級

11-③[AI][Kaggle][python]Kaggle入門(時系列 3.季節性)

時系列データの季節性をモデル化する2つの手法を解説。観測数が少ない周期には「季節指標(one-hot encoding)」、多い周期には「フーリエ特徴量(sin/cos)」を使い分ける。年次季節性を8個の特徴量で近似できるフーリエ法は、数百個必要な指標法より効率的。ピリオドグラムで最適なペア数を判定。Kaggle時系列シリーズの実践的な解説。

#Kaggle#時系列予測#特徴量エンジニアリング
記事を読む →
📰
Zenn3月6日· 2分で読める中級

無料の日本語形態素解析ライブラリ比較:クラウド運用・辞書学習・機械学習との組み合わせまで

日本語形態素解析ライブラリ5種を実務的に比較した記事です。クラウド運用ではSudachiPyが最適、AWS Lambdaではjanomeが最速、大量処理ではMeCabが向くなど、環境別の使い分けを具体表で示しています。さらに精度向上を「辞書追加→コスト調整→ハイブリッド→再学習」の4段階で段階的に説明し、LLM APIとの使い分けも解説。実装者が実際の選択に迷わないよう設計された、実用的なガイドです。

#自然言語処理#技術・実装#Python
記事を読む →